当AI能够7×24小时并行处理上千场深度访谈，用户研究正从依赖个人经验的'手工作坊'转向人机协同的'系统化工程'。传统线性研究流程被彻底重构，AI承担大规模信息整理、模式归纳和动态追问等高频认知劳动，而研究员的角色正从执行者升级为判断者与系统设计者。这场变革的核心并非工具替代，而是研究范式的根本转向——人类需更精准地定义问题边界、驾驭AI能力，并在深度共情与战略洞察中重塑不可替代的专业价值。

面对 AI，我一直的坚持的态度是“拥抱不确定性，在推理与效率之间，重新定义人的价值”。

How User Research Works in the AI Era，

Keep humanity at the core.

今天这次分享，其实对我来说有点特别。因为我不是想给大家介绍一个新的工具，也不是想教大家怎么用 AI 把某一个步骤做得更快一点。

我更想聊的是一件更底层的事情：在 AI 已经进入我们真实工作现场之后，用户研究这件事本身，它的工作方式，是不是已经发生变化了。

其实我之前在一些线下场合，也讲过一些 AI 和用户研究相关的内容。

但这一次我会更聚焦在一个问题上：如果我们默认 AI 会长期存在，那我们到底应该怎么跟它一起工作？不是“要不要用 AI”，而是你怎么构建一套新的工作方式，让 AI 成为你的一部分，而不是站在你对立面的东西。

我为什么没有一上来就讲工具、讲模型、讲 workflow？是因为如果我们不先对环境本身有一个共识，后面所有关于方法的讨论，其实都是悬空的。

AI 不是在一个稳定的组织环境里出现的，而是在一个高度不确定的环境里，被非常快地引入到我们的工作中的。

我相信在座的大多数人，其实都能明显感受到这几年环境的变化。裁员、降本、组织重组、项目周期被不断压缩，这些都已经不是什么新闻了。所以不确定性不是某一个人的问题，它是整个行业、整个组织正在共同面对的现实。

很多人会觉得，AI 是在帮个人提效。但从我自己的观察来看，AI 真正加速的，其实是组织的进化速度。当组织发现有些事情可以更快完成，有些岗位可以被合并，有些流程可以被自动化，那组织一定会选择更快地调整自己。

这时候就会出现一个非常现实的问题：当组织在加速的时候，人的能力有没有跟上？如果跟不上，会发生什么？很多时候不是你不努力，而是你原本擅长的那一套能力，突然不再是组织当前最需要的能力了。

这几年 AI 的变化还有一个非常明显的特点，就是它不是线性变化，而是跳跃式变化。基本上你会看到一个月一个大版本，半年一次明显的能力断层。很多我们以前认为必须是资深研究员、咨询顾问才能完成的事情，在某一次模型更新之后，突然就变成 AI 也可以做，而且做得还不错。

这里我想说一句可能有点扎心的话：有些事情，AI 确实已经比我们做得更好了。比如大规模信息整理、模式归纳、多版本对比、初步洞察提炼。如果我们还把自己的价值建立在这些层面上，那被替代真的不是危机，而只是时间问题。

从最近两年的行业数据来看，还有一个非常明显的趋势：初级用户研究岗位的需求在下降，而高阶、复合型、策略型研究角色的需求反而在上升。这意味着什么？意味着用户研究正在发生能力分层。

另外还有一个数据我自己非常关注，现在已经有超过 90% 的研究者，在工作中尝试引入 AI 工具。这说明 AI 已经不是一个“前沿尝试”的概念了，而是正在变成一种默认配置。

还有一个数据我自己非常关注，现在已经有超过 90% 的用户研究从业者，在不同程度上使用过 AI。这意味着 AI 已经不是“要不要尝试”的问题，而是正在变成一种默认工作环境。

接下来我们看到的是 Agentic AI 的出现。这类 AI 不再只是一个被动工具，而是可以被拆分成多个角色，在不同阶段并行工作。

这对用户研究来说，意味着工作不再是“一个人按步骤做完”，而是可以被重构成一种协作系统。

在这种情况下，用户研究的能力结构也在发生变化。过去我们非常强调流程、方法、规范，而现在越来越重要的是：你是否能够定义问题、判断结果、以及决定什么时候该相信 AI，什么时候不该。

这其实对应着一个非常重要的角色转变。用户研究正在从“执行者角色”，转向“判断者和建模者”。

AI 可以帮你跑得很快，但方向是不是对的，结果是不是可信的，仍然需要人来判断。

我们先来看一个非常直观的问题：传统用户研究的工作方式，到底慢在哪里？并不是研究员不努力，而是这套方式本身，就是围绕“线性流程”设计的。

在传统模式下，一个研究项目通常意味着：要排时间、约用户、做访谈、整理逐字稿、编码、归纳、讨论、再输出报告。这个过程中，每一步几乎都是串行的，只要前面某一步卡住，后面全部都要等。

所以我们经常看到的情况是：项目周期很长，参与角色很多，但真正用于“思考问题”的时间，其实非常有限。

而 AI 介入之后，最大的变化并不是“某一步变快了”，而是整个研究流程的结构发生了改变。

在 AI 参与的研究流程里，很多原本必须串行完成的事情，是可以并行发生的。例如，在你还没有完成全部访谈之前，AI 已经可以开始做初步的模式归纳；在你还在讨论研究方向的时候，AI 已经能跑出几版不同的假设路径。

这意味着什么？意味着研究不再是“先做完所有事情，再开始思考”，而是变成了一种边做、边推理、边修正的过程。

你可以把这理解为：研究从一个“线性流水线”，变成了一个“动态推理系统”。

在这个系统里，AI 更多承担的是高频、重负载、可重复的认知劳动。比如整理、归纳、对比、初步总结。而人开始被解放出来，去做更关键的事情：判断方向、识别异常、决定下一步该问什么。

所以效率的提升，并不是简单的“节省时间”，而是把时间重新分配到了更有价值的环节上。

接下来我们再看一个更具体的对比。在传统研究中，一个研究员通常只能同时推进一到两个项目。因为认知负荷是有限的，人很难在多个复杂问题之间频繁切换。

但在 AI 参与的情况下，一个研究员可以同时推进多个研究假设。不是因为人变强了，而是因为AI 承担了大量中间层的认知消耗。

你不需要等一个完整结论出来，才开始下一步。你可以在推理尚未完全闭合的时候，就已经看到趋势、风险和可能性。

这也是为什么我会说，这一阶段的变化，本质上是推理能力与效率的同步跃迁，而不是单纯的“加快速度”。

当然，这里也会带来一个新的挑战。当研究变得足够快、足够多的时候，真正稀缺的就不再是“信息”，而是判断力。

你必须非常清楚：哪些结果是可以相信的，哪些只是模型的“合理猜测”，哪些地方需要人重新介入，拉回现实。

这也是为什么，在 AI 介入之后，用户研究反而更依赖研究员本身的专业判断，而不是更弱。

接下来，我会进入一个大家都非常关心的话题：合成用户（Synthetic Users）。它是目前 AI 用户研究里最具争议、也最容易被误用的一种方式。

我先说一个非常重要的前提：合成用户并不是“虚假的用户”，也不是“用 AI 编出来的假人”。它本质上是：基于真实用户数据、真实行为模式和真实研究结论，生成的一种可推演、可对话、可反复验证的用户模型。

换句话说，它不是用来“替代真实用户”的，而是用来扩展我们对真实用户理解的边界。

在传统研究中，我们面对一个非常现实的限制：样本有限、时间有限、成本有限。很多时候，我们只能基于有限的访谈对象，去推断一个更大的用户世界。

而合成用户的价值，就在于：它可以在你已有研究基础之上，帮你模拟出更多“可能存在，但你还没来得及接触”的用户反应。

比如，当你已经做过一轮真实访谈，你大致知道目标用户的动机结构、价值取向和决策逻辑，这时候合成用户可以帮助你做的是：快速推演不同情境下，这类用户可能会如何反应。

这不是拍脑袋，而是一种基于已有认知的扩展推理。

所以我通常会说一句话：合成用户不是研究的起点，而是研究的放大器。

如果你没有真实研究作为基础，那合成用户生成出来的内容，很容易只是“看起来很合理的想象”。

这也是为什么，在使用合成用户之前，我一定会反复强调：你是否已经对真实用户有足够理解？你是否清楚哪些是事实，哪些是推断？

接下来我们看一看，合成用户在实践中的几个明显优势。

第一个优势，是它能帮我们更快地探索复杂的决策空间。在真实研究中，很多问题你是没有办法一一验证的。但通过合成用户，你可以快速测试不同假设，看看哪些方向值得继续投入真实资源。

第二个优势，是它可以显著降低研究成本。不是替代真实访谈，而是减少不必要的反复试错。你可以先用合成用户跑一轮，再把有限的真实访谈资源，用在最关键、最有价值的问题上。

第三个优势，是它特别适合用在早期探索阶段。当你对问题空间还不够清晰的时候，合成用户可以帮助你快速形成对用户结构的整体感知，而不是一开始就陷入细节。

但我也必须非常明确地讲：合成用户是有风险的，而且风险不小。

最常见的第一个风险，是“模型偏见被放大”。如果你最初的研究样本本身就有偏差，那合成用户只会把这种偏差，用一种看起来更“完整”的方式复制出来。

第二个风险，是文化和情境被过度简化。用户的很多真实行为，其实是高度情境化、文化化的。如果我们过度依赖合成用户，很容易忽略那些只会在真实世界中出现的细微差异。

第三个风险，是研究者自身判断力的退化。当合成用户“太好用”的时候，人很容易开始无条件相信它给出的答案。但请记住：合成用户永远是在已有假设空间里的推理，而不是现实本身。

所以我通常会给团队设定一个非常清晰的使用原则：合成用户只能回答“如果……会怎样”的问题，而不能回答“现实中一定会怎样”的问题。

在什么情况下，我会坚决不使用合成用户？当问题高度敏感、涉及真实情绪创伤、或者决策后果非常严重的时候，我一定会回到真实用户那里。

因为在这些场景下，真实的人，真实的情绪，真实的犹豫，是任何模型都无法完整替代的。

所以，如果用一句话来总结这一段：合成用户不是用来偷懒的工具，而是一种需要高度专业判断的研究能力。

理解了这一点，我们才能继续往下走，去讨论一个更关键的问题：当 AI 可以参与这么多研究环节之后，人到底应该站在什么位置？

在这里，我会把现在常见的研究协作方式，分成两种非常典型的模式：一种是 Human-led，另一种是 AI-led。

先说 Human-led。

Human-led 的意思，并不是不用 AI，而是由人来定义问题、控制节奏、做关键判断，AI 更多承担的是辅助和增强的角色。

在这种模式下，研究的核心判断权仍然掌握在人手里。比如：研究目标怎么设、哪些问题值得问、哪些结论不能轻易下判断，这些关键节点，依然需要研究者来做决定。

AI 在这里更像一个“能力放大器”。它可以帮你整理材料、辅助分析、生成初步假设，但最终是否采信、如何解读，仍然是人的责任。

而 AI-led 则是另一种完全不同的状态。在 AI-led 模式中，研究流程本身，是由 AI 来主导的。人更多是在事后检查、修正、或者补充。比如：研究问题由 AI 根据历史数据自动生成，访谈提纲由 AI 自动产出，分析结论也是 AI 先给出，再由人来确认。

这种模式的优势非常明显：速度极快、成本极低、规模极大。

但它的风险也同样明显。当研究被完全交给 AI 主导时，如果前提假设是错的，那么整个研究过程，可能都会在一个错误方向上越跑越远。

所以在实际工作中，我更倾向于把这两种模式理解为一个连续谱，而不是非黑即白的选择。有些任务，确实非常适合 AI-led。比如：大规模趋势扫描、历史数据回顾、初步假设生成，这些任务对“速度”和“覆盖面”的要求，远远高于对“细腻理解”的要求。

但有些任务，我会非常明确地坚持 Human-led。比如：深度访谈、敏感议题研究、关键战略决策支持，这些场景中，人的经验、直觉和伦理判断，仍然不可替代。

所以真正重要的，并不是选 Human-led 还是 AI-led，而是你是否清楚每一个研究阶段，谁应该站在驾驶位上。

这也是为什么我会说，AI 时代的用户研究，不是“人 vs AI”，而是人如何设计一套合理的人机协作结构。

AI 时代的用户研究，不再是比谁更勤奋、谁更能熬夜、谁流程跑得更熟，而是比谁更清楚：什么问题值得研究，什么问题不值得研究。

在 AI 时代，用户研究者更像一个“系统设计者”。你需要设计的是：研究的整体结构、推理的路径、验证的边界，以及人机之间的分工方式。

你要清楚地知道，什么时候可以让 AI 帮你跑得很快，什么时候必须由人亲自介入，慢下来。

从这个角度来看，AI 并不是在逼迫我们变成“技术专家”，是在逼迫我们成为更成熟的研究者。